Embedding di rete — Node2Vec, DeepWalk, LINE

L'embedding di rete è una famiglia di metodi di apprendimento della rappresentazione che mappa ciascun nodo di un grafo in un vettore denso e a bassa dimensionalità, preservando le proprietà strutturali della rete. L'approccio è stato formalizzato per dati di social network da Perozzi, Al-Rfou e Skiena con DeepWalk (2014), che ha adattato il modello skip-gram di Word2Vec alle passeggiate casuali sui grafi, ed esteso da Grover e Leskovec con Node2Vec (2016), che ha introdotto una passeggiata casuale con bias che bilancia l'esplorazione in ampiezza (breadth-first) e in profondità (depth-first). Questi embedding trasformano i dati relazionali in vettori di caratteristiche che i classificatori e gli algoritmi di clustering di machine learning standard possono consumare direttamente.